CN114842016B - 一种基于计算机视觉的消防水带缺陷检测方法及系统 - Google Patents

Abstract

本发明涉及织物缺陷检测技术领域，具体涉及一种基于计算机视觉的消防水带缺陷检测方法及系统。该方法通过光流信息确定异常区域。将异常区域中的纹理边缘转换至霍夫空间中，获得纹理边缘的形态信息。根据霍夫空间中的霍夫曲线形态进行聚类，获得第一聚类簇。根据第一聚类簇中的异常样本数量获得第一缺陷区域。根据第一聚类簇对应平行的纹理边缘之间的异常距离确定第二缺陷区域。本发明通过霍夫空间转换获得纹理边缘的形态信息，根据边缘之间的状态精确的进行缺陷检测。

Description

一种基于计算机视觉的消防水带缺陷检测方法及系统

技术领域

本发明涉及织物缺陷检测技术领域，具体涉及一种基于计算机视觉的消防水带缺陷检测方法及系统。

背景技术

传统的消防水带以橡胶为内衬，外表面包裹亚麻编织物。目前，消防水带缺陷主要存在于水带织物层，要求织物层应编织的均匀，表面整洁，无跳双经，断双经、跳纬及划伤。

通过人工完成外表面水带织物层的缺陷检测费时费力，且效率低下，因此在现有技术中可通过计算机视觉技术通过检测织物图片中的像素差异判断缺陷。但是因为消防水带织物层纹理过于密集，在根据像素差异检测缺陷时会受到大量纹理信息的影响，导致误判漏判，从而影响整体消防水带的缺陷检测效率和精度。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于计算机视觉的消防水带缺陷检测方法及系统，所采用的技术方案具体如下：

本发明提出了一种基于计算机视觉的消防水带缺陷检测方法，所述方法包括：

获取连续多帧的消防水带图像；对所述消防水带图像进行稠密光流法检测，获得异常帧图像；获得所述异常帧图像中的异常区域；

获取所述异常区域的纹理边缘；将所述纹理边缘的像素点映射至霍夫空间中，获得多条霍夫曲线；将所述霍夫空间中大于等于预设投票阈值的投票点作为高亮点；根据所述霍夫曲线的形态特征对所述高亮点对应的所述霍夫曲线进行聚类，获得多个第一聚类簇；

将簇内样本数量大于预设样本数量阈值的所述第一聚类簇作为异常簇；根据所述异常簇对应的所述纹理边缘的位置获得第一缺陷区域；若所述第一聚类簇对应平行的所述纹理边缘之间的距离与预设标准边缘距离相比出现异常，则将对应的所述纹理边缘作为异常纹理边缘；根据所述异常纹理边缘的位置获得异常区域；将相邻的所述异常区域合并，获得第二缺陷区域。

进一步地，所述获取所述异常区域的纹理边缘包括：

利用Sobel算子处理所述异常区域，获得多个所述纹理边缘。

进一步地，所述将所述纹理边缘的像素点映射至霍夫空间中，获得多条霍夫曲线包括：

将图像坐标系中的所述纹理边缘的像素点转换至极坐标系下，将极坐标系中的像素点映射至霍夫空间，获得多条所述霍夫曲线。

进一步地，所述根据所述霍夫曲线的形态特征对所述高亮点对应的所述霍夫曲线进行聚类，获得多个第一聚类簇包括：

以所述霍夫曲线的最大幅值点作为形态特征点；根据所述形态特征点的位置和预设第一聚类间距对所述霍夫曲线进行聚类，获得多个第一聚类簇。

进一步地，所述根据所述异常簇对应的所述纹理边缘获得第一缺陷区域包括：

根据所述异常簇对应的所述高亮点获得与所述异常簇共线的正常纹理边缘；根据所述异常簇对应的所述纹理边缘与所述正常纹理边缘的相对位置获得所述第一缺陷区域的位置；根据所述异常簇与所述样本数量阈值的差异获得所述第一缺陷区域的范围大小。

进一步地，所述若所述第一聚类簇对应平行的所述纹理边缘之间的距离与预设标准边缘距离相比出现异常，则将对应的所述纹理边缘作为异常纹理边缘包括：

根据所述形态特征点的位置和预设第二聚类间距对所述霍夫曲线进行二次聚类，获得多个第二聚类簇；所述第二聚类间距比所述第一聚类间距大；

以所述第二聚类簇对应的平行的所述纹理边缘之间的距离作为判断距离；若所述判断距离不等于所述预设标准距离或所述预设标准距离的整数倍，则将对应的所述纹理边缘作为异常纹理边缘。

进一步地，所述根据所述异常纹理边缘的位置获得异常区域包括：

若所述纹理边缘之间平行且距离等于所述标准距离，则两个所述纹理边缘为平行相邻纹理边缘；以所述异常纹理边缘与对应的所述平行相邻纹理边缘之间的区域作为所述异常区域。

进一步地，所述获得第二缺陷区域后还包括：

以所述第一缺陷区域和所述第二缺陷区域的面积之和作为所述消防水带图像的区域缺陷评估值；以消防水带对应的所述消防水带图像的所有所述区域缺陷评估值之和作为所述消防水带的整体缺陷评估值；根据所述整体缺陷评估值判断所述消防水带的质量。

本发明还提出了一种基于计算机视觉的消防水带缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种基于计算机视觉的消防水带缺陷检测方法的步骤。

本发明具有如下有益效果：

1.本发明实施例通过将图像中的边缘信息转换至霍夫空间，避免了因为复杂的纹理信息的影响直接分析图像造成误判漏判。通过霍夫空间中的霍夫曲线和高亮点的位置信息对纹理边缘进行分类识别，使得每个第一聚类簇代表一段纹理边缘，因为消防水带织物层规律分布，即每段纹理边缘的长度应一致，因此可通过第一聚类簇的样本数量筛选出第一缺陷区域。进一步考虑到异常纹理边缘对平行相邻纹理边缘的影响，获得第二缺陷区域。第二缺陷区域表示了属于不同直线的纹理边缘之间的缺陷，第一缺陷区域表示共线的纹理边缘上的缺陷，通过两个缺陷区域的检测提高了对消防水带的缺陷检测效率和检测精度。

2.本发明实施例利用稠密光流法分析连续多帧的消防水带图像，以异常帧的图像信息进行缺陷定位，能够缩短缺陷检测的时间，实现自动化缺陷检测，提高检测效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于计算机视觉的消防水带缺陷检测方法流程图；

图2为本发明一个实施例所提供的一个消防水带示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于计算机视觉的消防水带缺陷检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于计算机视觉的消防水带缺陷检测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于计算机视觉的消防水带缺陷检测方法流程图，该方法包括：

步骤S1：获取连续多帧的消防水带图像；对所述消防水带图像进行稠密光流法检测，获得异常帧图像；获得所述异常帧图像中的异常区域。

消防水带具有一定的长度，因此为了实现自动化缺陷检测和增加检测效率，缩短检测时间，在本发明实施例中，将消防水带放置在传送带上，使消防水带沿纹理一致的方向进行匀速运动。在传送带上方设置相机，相机的位置固定，光源采用稳定光源，且采样速率与传送带传送速度相匹配，避免引起图像像素点的剧烈变化，使得能够获得清晰完整的连续多帧的消防水带图像。

需要说明的是，本发明实施例仅采集消防水带单面图像，可将消防水带单面进行缺陷检测后，重新翻转放置在传送带上，通过两次缺陷检测完成消防水带的整体缺陷检测。在后续描述中仅描述单面缺陷检测。

连续多帧的消防水带即视频图像，可通过稠密光流法针对连续帧图像序列中所有像素点在时间域上的变化、相邻帧之间的相关性进行分析，获得每个像素点的光流信息。在本发明实施例中，获得像素点在横坐标方向上运动的瞬时速度

，在纵坐标方向上运动的瞬时速度

，合成得到像素点的运动速度

，即

。以该合成速度作为光流信息。稠密光流法为本领域技术人员熟知的现有技术，在此不做赘述。

请参阅图2，其示出了本发明一个实施例所提供的一个消防水带示意图。因为消防水带表面的纹理分布规则且紧密，因此在局部区域内正常像素点的光流信息应该相等或者近似相等，当局部区域内的光流信息出现波动，即出现与其他像素点光流信息不一致的像素点，即说明该像素点为存在缺陷的异常像素点，以出现该像素点的帧图像作为异常帧图像。

因为连续多帧的消防水带图像为正在运动着的视频图像，因此异常像素点并不全为缺陷像素点，异常像素点组成的区域中存在缺陷像素点。为了方便后续分析，简化分析流程，将异常帧图像中的异常像素点组成区域作为异常区域，将异常区域进行分割并灰度化，以方便后续步骤对缺陷的定位。

步骤S2：获取异常区域的纹理边缘；将纹理边缘的像素点映射至霍夫空间中，获得多条霍夫曲线；将霍夫空间中大于等于预设投票阈值的投票点作为高亮点；根据霍夫曲线的形态特征对高亮点对应的霍夫曲线进行聚类，获得多个第一聚类簇。

因为消防水带织物层经纬线钩织的纹理和表面花纹的影响，因此仅分析异常区域内的像素值差异容易造成误检，因此对于消防水带的缺陷检测应从纹理方面进行分析，利用Sobel算子处理所述异常区域，获取异常区域内像素点的上下左右相邻点灰度加权差，对噪声具有平滑作用。因为消防水带的表面纹理具有规律性，相似性，因此通过Sobel算子处理后会获得多段纹理边缘，纹理边缘在异常区域图像中密集分布。

将纹理边缘的像素点映射至霍夫空间中，获得多条霍夫曲线，霍夫曲线的交点对应一条直线，过交点的霍夫曲线数量为该交点的投票值。需要说明的是，霍夫空间为本领域技术人员熟知的现有技术，在此不做赘述。

优选的，为了避免图像坐标系直接进行霍夫空间转换造成的霍夫曲线的斜率趋鱼无穷的情况，将图像坐标系中的纹理边缘的像素点转换至极坐标系下，将极坐标系中的像素点映射至霍夫空间，获得多条霍夫曲线。具体转换步骤为本领域技术人员熟知的现有技术，在此不再赘述。

霍夫曲线在霍夫空间中为一条上下起伏的正弦曲线，霍夫空间的横坐标为

，纵坐标为

，

表示图像坐标系中原点到直线的距离，

表示到原点的直线与x轴的夹角。同一纹理边缘的像素点在重合的正弦曲线中距离较小，形态特征相似且排列密度较大。

霍夫曲线在霍夫空间中的交点对应异常区域中的一条直线，为了消除噪声影响，将所述霍夫空间中大于等于预设投票阈值的投票点作为高亮点。因为消防水带的织物层为多条经纬线交叉组成的，因此一个高亮点中包含的霍夫曲线可构成多段纹理边缘，多段纹理边缘之间存在间隙且共线。根据霍夫曲线的形态特征对高亮点对应的霍夫曲线进行聚类，获得多个第一聚类簇。第一聚类簇中的样本为形态相近的霍夫曲线，每个第一聚类簇代表构成一段纹理边缘的像素点集合。

优选的，以霍夫曲线的最大幅值点作为形态特征点。根据形态特征点的位置和预设第一聚类间距对霍夫曲线进行聚类，获得多个第一聚类簇。

在本发明实施例中，投票阈值设置为300。以所有霍夫曲线的最大幅值点作为初始聚类点，第一聚类间距设置为1，自上而下进行聚类，将满足聚类间距的形态特征点聚为一类，通过不同高亮点的聚类获得多种第一聚类簇。可通过匹配方法，确定不同高亮点的类别和所对应图像坐标系的共线纹理边缘。需要说明的是，聚类方法采用密度聚类算法，且本发明实施例后续的聚类方法都为密度聚类。

步骤S3：将簇内样本数量大于预设样本数量阈值的第一聚类簇作为异常簇；根据异常簇对应的纹理边缘的位置获得第一缺陷区域；若第一聚类簇对应平行的纹理边缘之间的距离与预设标准边缘距离相比出现异常，则将对应的纹理边缘作为异常纹理边缘；根据异常纹理边缘的位置获得异常区域；将相邻的异常区域合并，获得第二缺陷区域。

根据先验知识，消防水带的缺陷占比较少且正常情况下每小段的纹理边缘的像素点个数应相同，因此可对每个第一聚类簇内的样本进行统计，即获得对应的每段纹理边缘的像素点个数，如果发生跳经或者跳纬缺陷则对应的纺织品的经线间和纬线间的间隙会被填充，异常的经线或纬线在聚类结果中对应的第一聚类簇的样本数量较大，因此将簇内样本数量大于预设样本数量阈值的第一聚类簇作为异常簇。可根据异常簇对应的纹理边缘的信息获得第一缺陷区域，具体包括：

根据异常簇对应的高亮点获得与异常簇共线的正常纹理边缘。根据异常簇对应的纹理边缘与正常纹理边缘的相对位置获得第一缺陷区域的位置。根据异常簇与样本数量阈值的差异获得第一缺陷区域的范围大小。

在本发明实施例中，样本数量阈值设置为30，即每段正常的纹理边缘长度为30个像素单位。

需要说明的是，第一缺陷区域对应的缺陷类型为共线纹理边缘之间的跳经或者跳纬，即是在经线方向和纬线方向上进行分析的，在其他实施例中可能存在经线和纬线的纹理边缘长度并不一致，因此根据第一聚类簇的样本数量进行聚类，通过设置合适的聚类间距获得多个聚类簇。根据预设的经线样本阈值和纬线样本阈值对聚类簇中的异常簇进行筛选。

一个第一缺陷区域在消防水带上表现的缺陷类型为一个断点，断点缺陷影响的范围较小，如果缺陷区域不在共线的纹理边缘之间，且范围过大，影响了多条纹理边缘，需要根据平行相邻的纹理边缘的影响对该类型缺陷进行进一步分析，具体包括：

如果消防水带表面发生了范围较大的缺陷，则原本具有固定间距且平行分布的纹理边缘之间会出现较大间隔，间隔越大说明缺陷范围越大。若第一聚类簇对应平行的纹理边缘之间的距离与预设标准边缘距离相比出现异常，则将对应的纹理边缘作为异常纹理边缘。根据所述异常纹理边缘的位置获得异常区域，具体包括：

若纹理边缘之间平行且距离等于标准距离，则两个纹理边缘为平行相邻纹理边缘；以异常纹理边缘与对应的平行相邻纹理边缘之间的区域作为异常区域。

在本发明实施例中，可根据第一聚类簇之间的距离进行聚类，根据获得的每个聚类簇的样本均值与标准边缘距离进行比较，确定距离异常簇，距离异常簇中的样本对应的第一聚类簇，即异常簇中的第一聚类簇对应的纹理边缘为异常纹理边缘。

将相邻的异常区域合并，获得第二缺陷区域。

优选的，因为第二缺陷区域分析的是平行相邻的纹理边缘之间的信息，因此对于共线相邻的纹理边缘可减少分析，即调整聚类操作时的聚类间距，具体包括：

根据形态特征点的位置和预设第二聚类间距对霍夫曲线进行二次聚类，获得多个第二聚类簇。第二聚类间距比第一聚类间距大。在本发明实施例中，第二聚类间距设置为5。

以第二聚类簇对应的平行的纹理边缘之间的距离作为判断距离。若判断距离不等于预设标准距离或预设标准距离的整数倍，则将对应的纹理边缘作为异常纹理边缘。

需要说明的是在实际检测过程中，经线或者纬线对应的纹理边缘可能并不完全平行，因此在进行平行纹理边缘之间的距离计算方法时需要根据消防水带的实际情况调整平行判断范围，即在平行判断范围内的两条纹理边缘的平行度认为是平行的，以避免漏判。且以逐点计算距离的方法计算平行纹理边缘之间的距离，当像素点之间的距离发生异常变化时，即对应的像素点在异常区域内，通过逐点计算的方法可精确的确定异常纹理边缘范围。

优选的，获得第二缺陷区域后还包括：

以第一缺陷区域和第二缺陷区域的面积之和作为消防水带图像的区域缺陷评估值。以消防水带对应的消防水带图像的所有区域缺陷评估值之和作为消防水带的整体缺陷评估值。根据整体缺陷评估值判断消防水带的质量。

需要说明的是，整体缺陷评估值在进行判断质量前需要进行归一化处理。可根据生产要求设置缺陷评估阈值，根据整体缺陷评估值和缺陷评估阈值的差异判断消防水带的质量。如果需要对消防水带进行修复，即可根据第一缺陷区域和第二缺陷区域的位置进行针对性修复，提高生产效率。

综上所述，本发明实施例通过光流信息确定异常区域。将异常区域中的纹理边缘转换至霍夫空间中，获得纹理边缘的形态信息。根据霍夫空间中的霍夫曲线形态进行聚类，获得第一聚类簇。根据第一聚类簇中的异常样本数量获得第一缺陷区域。根据第一聚类簇对应平行的纹理边缘之间的异常距离确定第二缺陷区域。本发明实施例通过霍夫空间转换获得纹理边缘的形态信息，根据边缘之间的状态精确的进行缺陷检测。

本发明还提出了一种基于计算机视觉的消防水带缺陷检测系统，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现任意一项一种基于计算机视觉的消防水带缺陷检测方法的步骤。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于计算机视觉的消防水带缺陷检测方法，其特征在于，所述方法包括：

获取连续多帧的消防水带图像；对所述消防水带图像进行稠密光流法检测，获得异常帧图像；获得所述异常帧图像中的异常区域；

获取所述异常区域的纹理边缘；将所述纹理边缘的像素点映射至霍夫空间中，获得多条霍夫曲线；将所述霍夫空间中大于等于预设投票阈值的投票点作为高亮点；根据所述霍夫曲线的形态特征对所述高亮点对应的所述霍夫曲线进行聚类，获得多个第一聚类簇；

将簇内样本数量大于预设样本数量阈值的所述第一聚类簇作为异常簇；根据所述异常簇对应的所述纹理边缘的位置获得第一缺陷区域，具体包括：根据所述异常簇对应的所述高亮点获得与所述异常簇共线的正常纹理边缘；根据所述异常簇对应的所述纹理边缘与所述正常纹理边缘的相对位置获得所述第一缺陷区域的位置；根据所述异常簇与所述样本数量阈值的差异获得所述第一缺陷区域的范围大小；

若所述第一聚类簇对应平行的所述纹理边缘之间的距离与预设标准边缘距离相比出现异常，则将对应的所述纹理边缘作为异常纹理边缘；根据所述异常纹理边缘的位置获得异常区域；将相邻的所述异常区域合并，获得第二缺陷区域。

2.根据权利要求1所述的一种基于计算机视觉的消防水带缺陷检测方法，其特征在于，所述获取所述异常区域的纹理边缘包括：

利用Sobel算子处理所述异常区域，获得多个所述纹理边缘。

3.根据权利要求1所述的一种基于计算机视觉的消防水带缺陷检测方法，其特征在于，所述将所述纹理边缘的像素点映射至霍夫空间中，获得多条霍夫曲线包括：

将图像坐标系中的所述纹理边缘的像素点转换至极坐标系下，将极坐标系中的像素点映射至霍夫空间，获得多条所述霍夫曲线。

4.根据权利要求3所述的一种基于计算机视觉的消防水带缺陷检测方法，其特征在于，所述根据所述霍夫曲线的形态特征对所述高亮点对应的所述霍夫曲线进行聚类，获得多个第一聚类簇包括：

以所述霍夫曲线的最大幅值点作为形态特征点；根据所述形态特征点的位置和预设第一聚类间距对所述霍夫曲线进行聚类，获得多个第一聚类簇。

5.根据权利要求4所述的一种基于计算机视觉的消防水带缺陷检测方法，其特征在于，所述若所述第一聚类簇对应平行的所述纹理边缘之间的距离与预设标准边缘距离相比出现异常，则将对应的所述纹理边缘作为异常纹理边缘包括：

根据所述形态特征点的位置和预设第二聚类间距对所述霍夫曲线进行二次聚类，获得多个第二聚类簇；所述第二聚类间距比所述第一聚类间距大；

以所述第二聚类簇对应的平行的所述纹理边缘之间的距离作为判断距离；若所述判断距离不等于预设标准距离或所述预设标准距离的整数倍，则将对应的所述纹理边缘作为异常纹理边缘。

6.根据权利要求5所述的一种基于计算机视觉的消防水带缺陷检测方法，其特征在于，所述根据所述异常纹理边缘的位置获得异常区域包括：

若所述纹理边缘之间平行且距离等于所述预设标准距离，则两个所述纹理边缘为平行相邻纹理边缘；以所述异常纹理边缘与对应的所述平行相邻纹理边缘之间的区域作为所述异常区域。

7.根据权利要求1所述的一种基于计算机视觉的消防水带缺陷检测方法，其特征在于，所述获得第二缺陷区域后还包括：

以所述第一缺陷区域和所述第二缺陷区域的面积之和作为所述消防水带图像的区域缺陷评估值；以消防水带对应的所述消防水带图像的所有所述区域缺陷评估值之和作为所述消防水带的整体缺陷评估值；根据所述整体缺陷评估值判断所述消防水带的质量。

8.一种基于计算机视觉的消防水带缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。

Images